面向电力调度数据网的节点重要性评估方法.pdf

Computer Engineering and Applications计算机工程与应用2023，59（16）电力调度数据网是用于电力系统生产和调度等相关业务的业务传输网络，是实现各调度中心之间以及调度中心与各生产厂站之间实时快速的数据交换的重要平台。随着智能电网的逐步推进，作为现代大型互联电网系统关键一环，电力调度数据网的可靠性、安全性和抗毁性与整个电力系统的安稳运行密切相关1-4。在复杂网络中，只需少数节点的失效，就可能引起整个网络的崩溃。我国的电力系统规模庞大，在发生事故时造成的损失更为严重。通过重要节点识别方法，对电力调度数据网中的关键节点进行保护，可以提高电力调度数据网络稳定性，降低故障风险以及损失，具有重大的现实意义5-6。面向电力调度数据网的节点重要性评估方法徐志光1，林晓康2，陈励凡3，陈洪2，吴晓铭4，刘延华41.国网福建省电力有限公司，国网福建省电力调度控制中心，福州 3500032.国网信通亿力科技有限责任公司，福州 3500033.新疆大学 软件学院，乌鲁木齐 8300084.福州大学 计算机与大数据学院，福州 350108摘要：在电力调度数据网中，预先对网络中的节点进行系统性评估，从而对其中的关键节点进行保护，对维护整个电力系统的安稳运转具有重要意义。从网络边权的角度出发，通过先分析网络中边的重要性，再分析节点重要性，得到准确的节点重要性评估。该方法计算网络中不同链路的局部重要性、全局重要性和业务重要性，并利用各指标信息熵值得到综合的链路重要性。最后将链路的重要性分配给相邻的节点，从而得到各节点的实际影响力。通过仿真实验，在不同类型的网络上进行分析，验证了该方法在网络效率方面识别关键节点的有效性。关键词：电力调度数据网；网络效率；节点重要度；业务重要度；信息熵文献标志码：A中图分类号：TM73；TP391doi：10.3778/j.issn.1002-8331.2205-0513Node Importance Evaluation Method for Power Dispatching Data NetworkXU Zhiguang1,LIN Xiaokang2,CHEN Lifan3,CHEN Hong2,WU Xiaoming4,LIU Yanhua41.State Grid Fujian Electric Power Co.,Ltd.,State Grid Fujian Power Dispatching Control Center,Fuzhou 350003,China2.State Grid Info-Telecom Great Power Science and Technology Co.,Ltd.,Fuzhou 350003,China3.School of Software,Xinjiang University,Urumqi 830008,China4.College of Computer and Data Science,Fuzhou University,Fuzhou 350108,ChinaAbstract：In the power dispatching data network,the nodes are systematically evaluated in advance,so as to protect thekey nodes,which is of great significance to maintain the safe and stable operation of the whole power system.From theperspective of network edge weight,this paper proposes an accurate node influence evaluation method by analyzing the influ-ence of edges in the network.Firstly,the local importance,global importance and business importance of different edgesin the network are calculated,and then the comprehensive edge importance is obtained by calculating the index informa-tion entropy values.Finally,the importance of the edge is assigned to adjacent nodes,so as to obtain the actual influenceof each node.Through simulation experiments,the effectiveness of the algorithm for identifying key nodes in the networkefficiency is verified.Key words：power dispatching data network;network efficiency;node importance;business importance;information entropy基金项目：国网福建省电力有限公司科技项目（ERP.52130021004Q）。作者简介：徐志光（1983），男，工程师，研究方向为电力系统安全；林晓康（1986），男，工程师，研究领域为大数据、物联网等；陈励凡（2002），女，研究方向为计算机软件；陈洪（1987），男，工程师，研究方向为计算机软件及计算机应用、大数据、工业网络等；吴晓铭（1998），男，硕士研究生，研究方向为网络容错与生存性研究；刘延华（1972），通信作者，副教授，CCF会员，研究方向为智能计算、计算机安全与大数据，E-mail：。收稿日期：2022-05-26修回日期：2022-08-18文章编号：1002-8331（2023）16-0330-073302023，59（16）辨别关键节点的影响力评估方法在国内外已有广泛研究。现有方法中，大多通过图论的方法，分析节点在网络中的拓扑属性，从而判断节点的影响力。一些方法利用节点的近邻信息。例如，Yu等7提出了通过改进原有的结构洞算法得到 ISH（improved structure hole）算法，该算法通过节点的度来判断两个邻居节点之间的相对关系，并且为相对关系中更强势的节点赋予更高的重要度，从而在仅依赖局部信息的情况下计算节点的重要性。Ibnoulouafi 等8对传统的重力中心性进行了改进，提出了一种新型的密度中心性评价指标。该指标将节点的度作为节点的质量，基于传统的引力公式，将节点在网络中对其他节点的吸引力作为节点的重要度。一些方法利用网络的全局信息。例如，K-shell算法9通过不断地给网络分层，并为内层节点分配更高的K-shell值，从而发现更具有网络影响传播能力的核心节点。但是该方法难以分辨某些不位于核心位置，却承担大量通信功能的桥接节点。而介数法10则以计算位于不同节点对之间的最短路径的次数来评价节点的重要性。还有一类方法，通过计算删除节点对整个网络的影响，判断节点的影响力。如节点收缩法11以网络间的节点对的平均距离为基础计算网络的凝聚力，通过分析不同节点在收缩前后网络凝聚力的变化，来判断节点对网络的重要性。此外，还有一些基于PageRank12、随机游走13等方法的重要节点评估法。但是，上述方法大多从单一角度出发，存在一定的局限性，无法得到全面的节点影响力评估。在评估节点影响力的方法当中6，14-17，针对链路的重要性评估方法较少。实际上，网络中的边承担着节点间网络连通的作用，是节点之间联系的体现。同时，电力调度数据网作为电力生产系统的业务传输网络，有其明显的行业特征。在电力调度数据网中，存在着大量的电力业务流量，网络中的某些链路往往承担着重要业务流量转发的作用18。若这些链路发生故障，就有可能导致电力生产系统工作效率的降低乃至崩溃。因此，仅从物理拓扑分析，无法准确地评估网络节点的重要性。本文提出了一种基于边权的节点重要性评估方法。该方法通过分析网络中不同边的拓扑以及业务信息，对链路在不同方面的重要性进行分析。同时，利用多属性决策方法，计算每条链路的综合影响力。然后，再将链路的重要性分配给相邻的节点，从而得到准确的关键节点评估。最后，利用仿真实验，证明了本文算法相较于其他算法具有一定的优越性。1链路重要性评价指标使用无向图G=(V,E)表示一个电力调度数据网络。其中V表示网络的节点集，包括变电站、调度中心等基础设施。E表示网络的链路集，eijE表示一条连接节点i与j的链路。本文评估节点重要性的算法分为两步：第一步，计算网络中所有链路的重要度；第二步，根据链路的重要度计算与链路相邻节点的重要度。在计算链路重要度时，若仅根据链路的单一属性计算则得到的结果可能偏于片面，无法准确评估链路综合的重要度。因此，首先提出数项针对链路的影响力评价指标，用以分析不同链路对网络稳定性的影响能力。1.1链路的局部重要性链路的局部重要性表示链路对网络中局部区域连通能力的影响力。对一条链路eij连接的两个相邻节点而言，若除了eij外，还有一条二跳路径使两节点相连，则eij中该节点对连通性的影响力就会降低。而此时，则会在网络中形成一个三角形。例如图1中，故障2对网络造成的影响比故障1更大，这是由于发生故障2的链路在网络中参与构成的三角形较少，端口节点间缺少备用连通线路。文献19表明，边在网络所参与的三角形数目与其对网络交流能力的贡献程度呈反比。因此，用链路参与网络中三角形的数量，来评估链路的局部影响力。同时，链路连接的节点度数越高，链路对网络传播能力的贡献也就越大。综合以上考量，提出链路的局部重要度E1如下所示。E1(eij)=LC(eij)max(LC)（1）LC(eij)=min(di,dj)c+1（2）式中，E1(eij)表示链路eij的局部重要度，di、dj分别表示节点i、j的度数，c表示链路eij参与构成网络中三角形的数量。1.2链路的全局重要性大型网络常常会表现出分块的现象，不同区块间的通信往往会由少数节点和链路承担，具体表现就是许多节点对之间的最短路径都需要通过这些关键节点和链路。若这些关键链路发生故障，则会大大降低网络的全局通信能力。因此，用链路的边介数（edge betweenness）来表示链路的全局重要度E2，其计算方式如下所示。E2(eij)=EBC(eij)max(EBC)（3）故障1故障2图1局部重要性示意图Fig.1Instruction chart of local importance徐志光，等：面向电力调度数据网的节点重要性评估方法331Computer Engineering and Applications计算机工程与应用2023，59（16）式中，E2(eij)表示链路eij的全局重要度，EBC(eij)表示边eij的边介数。1.3链路的业务重要性电力调度数据网中传输的电力业务种类有很多，不同业务对整个电力网络安稳运行的影响不尽相同。某些电力业务，例如实时互联、安稳系统等，对电力生产、调控的影响较大，因而对业务传输过程时延、带宽等指标要求也较高。当链路需要承担较重要的电力业务时，链路的重要性也相应提高。本文首先通过建立一个电力业务重要性模型，来区分不同业务间的重要性差异。选取了数类电力调度业务，通过参考调度业务的相关标准20，构建了一个电力调度业务重要性模型，其结果如表1所示。在表1中可以看到，如主站互联、继电保护系统等与电力生产安全直接相关的业务具有较高的重要度，这也与实际情况相符合。当某些通信线路频繁承担重要业务时，它的稳定性就与整个通信网的安稳运行息息相关。而此时，其本身在网络拓扑中表现的重要性不一定很明显。发现某些重要的业务链路并加以保护，对网络的可靠性有重要作用。为此，定义链路的业务重要度E3计算方法如式（4）所示：E3(eij)=S(eij)max(S)（4）S(eij)=i=1qkeijll（5）式中，E3(eij)表示链路eij的业务重要度，q表示网络中传输的电力业务种类的数量，keijl表示在链路eij上传输的第l类业务的单位数量，l表示第l类业务的单位重要度。2节点重要性评价法2.1评价流程本文构造的节点重要性评估法大体分为三步，其具体流程如图2所示。首先，将收集到的电力调度数据网位置与通信信息转化为抽象的拓扑模型，并且根据第1章的内容，计算出网络中所有链路的局部重要度、全局重要度以及业务重要度。然后，将三种属性结合，作为链路的综合重要度。但是，不同属性体现了链路在不同方面的重要性，而对网络的稳定性而言，三者的贡献各不相同，因此，不能简单地将三个类型的重要度相加作为链路的综合重要度。为了分析三者间合适的权重关系，采用了信息熵权重法，通过分析不同指标数据间信息熵的差异，来确定不同指标对链路重要性的贡献。将链路的各项重要性指标通过熵权法融合后，再输出链路的综合重要度。最后，根据所获得的链路综合重要度，输出网络中不同节点的综合重要度。下面，将具体介绍该方法的各项实际内容。2.2信息熵权重法在分析不同指标间的客观权重时，熵权法是一种常用的多属性决策方法21。一般而言，如果某个指标的样本数据之间差异程度越大，该指标提供的信息就越丰富，相应的权重也就越大。熵权法的核心就是根据指标的无序程度来计算不同指标的权重，其具体的计算方式如下所示：pij=aiji=1Naij（6）Ej=-1lnNi=1Npijlngij（7）wj=1-Ejn-j=1mmEj（8）其中，aij表示第j个指标的第i个属性值，pij表示第j个指标下第i个属性值所占的比重，N表示属性值的个数，Ej表示第j个指标的信息熵，m表示指标的个数，wj表示第j个指标的权重。2.3链路重要度计算计算链路eij综合重要度的具体方式如下：首先，根据网络的拓扑结构信息及电力业务信息，计算链路eij的局部重要度E1(eij)、全局重要度E2(eij)以及业务重要度E3(eij)。然后，利用得到的结果与2.1节的熵权法结分类编号IIIIIIIVVVIVII业务名称主站实时互联防误系统数据继电保护信息管理系统调度自动化系统业务水电新能源数据调度计划其他非实时类业务业务重要度0.900.800.750.700.500.350.25表1电力调度业务重要性模型Table 1Power dispatching business importance model熵权法融合网络拓扑结构电力业务数据链路局部重要度链路全局重要度链路业务重要度节点综合重要度链路综合重要度输出输出图2算法流程图Fig.2Flow chart of algorithm3322023，59（16）合，得到链路的各项重要度指标的权重。最后计算链路的综合重要度Ieij。具体的计算方法如下：Ieij=w1E1(eij)+w2E2(eij)+w3E3(eij)（9）其中，Ieij表示链路eij的综合重要度，w1、w2、w3是根据熵权法得到的各指标权重。2.4节点重要度计算在得到链路的综合重要度后，以此来计算各节点的实际重要度。显然，一个节点的重要性与其相邻的链路有关。一个节点相邻的链路重要性越高，其自身的重要性也就越高。此时，最直接的方法是定义节点重要度为与节点相连的所有链路的重要度之和。但是，一条链路的重要性会受到其两端节点的影响，而两端节点对链路重要性的贡献是不同的。例如，网络中存在某些枢纽节点，其周围链路的重要性高于其他节点。此时，若将这些链路的重要度等价地分配给另一端的节点，则无法突出枢纽节点的作用。因此，为了提高枢纽节点的重要性，提出节点的重要度计算方式如下所示：IV(i)=jN(i)EIeijdi-1di+dj-2（10）其中，IV(i)表示节点i的实际重要度，N(i)表示节点i邻居节点的集合。综上所述，IV(i)即是按本文方法计算的节点重要度。IV(i)值越高，说明节点的重要性越大，对网络稳定性的影响也就越大，也就越值得保护。3仿真实验3.1仿真参数设置为了进一步研究本文方法在分析节点影响力指标时的有效性，在仿真网络和真实网络中分别进行网络拓扑结构诊断仿真。为了方便，将所有网络中边的长度设为1，即不考虑节点间实际的距离关系。在评价节点重要性排名的准确性时，由于暂时没有统一的标准，采用对比删除节点后网络效率损失的评价方式来对比不同算法的优劣性。网络中两个节点的网络效率为两个节点间最短路径的倒数，它体现了两个节点在网络中进行通信时效率的高低。网络效率越高，通信效果越好，发生拥塞等故障的概率越低。节点对网络的重要性可以体现在节点对网络效率的影响，当一个节点被从网络中删除后，网络平均效率降低得越严重，那么说明该节点对整个网络越重要。整个网络的平均网络效率可以通过下式计算：NE(G)=1N(N-1)iji,jV1dij（11）其中，NE(G)表示网络G的平均网络效率，N表示网络G的节点总数，dij表示节点i与节点j之间的最短距离。如果一个节点对网络越重要，那么删除该节点的相关链路后，整个网络的平均网络效率下降得就越大。因此，通过计算删除节点后的网络效率损失来体现节点的重要性。网络的平均网络效率下降可用网络效率损失来表示，其计算方式为：=1-EE0（12）其中，表示网络的网络效率损失，E表示删除节点相邻边后的平均网络效率，E0表示原网络的平均网络效率。为了更客观地评价本文的算法，还选择了一些算法作为对比算法。目前没有其他关注电力调度数据网节点重要性评估的研究，因此选择了在电力通信网络中进行节点重要性评价的文献15和文献14的算法作为对比算法。调度数据网作为电力通信网的子网，两者都类似地需要承担电力调度业务。为了更合适地比较各算法的效果，稍微地修改了文献15和文献14中关于电力业务的内容，并且两个算法在后文中分别被标记为FZTW2020和WWYR2019。3.2小型网络本节选取了某地区的小型仿真网络进行仿真实验，该网络包含了14个由变电站和调度中心构成的节点，如图3所示。网络的具体业务数据可参考文献14。算法首先对网络中所有的边进行了加权计算。计算结果如表2所示。1413121110891234567图3小型电力仿真网络Fig.3Small power simulation network链路编号e1,2e1,10e1,11e2,3e2,12e2,13e3,4e4,5e4,11e5,6e5,8e7,8e8,9e9,10e13,14链路的重要度0.770 00.941 10.902 50.278 60.090 30.271 30.157 20.363 40.463 90.329 70.141 00.081 40.302 70.282 60.482 8重要度排名312111512136571416894表2链路重要度计算结果Table 2Calculation result of edge importance徐志光，等：面向电力调度数据网的节点重要性评估方法333Computer Engineering and Applications计算机工程与应用2023，59（16）从表2中可以看出，边e1,2、e1,10、e1,11具有较高的权重。这是因为1号节点是该电力调度数据网络的中调节点，与其他节点有较多的业务交流，因此1号节点周围的边赋予了较高的业务重要性。显然，如果与1号节点相关联的边发生故障，就会对整个电力调度数据网的业务调度产生影响，从而导致电力系统故障。相应的，12、13号等节点与其他节点的业务交流较少，因此e2,12、e2,13等边的重要度排名就较低。即使这些边发生故障，对整个电力系统的影响也会被控制在局部范围内，因此其重要性也就较低。同时也可以看到，即使在拓扑层面，e5,6、e5,8有着相似的重要性，但是由于其需要承担的业务数量不同，也造成了它们在重要度上的较大差异。从以上分析可以看出，本文算法不局限于网络拓扑分析，能够从多种角度出发，得到更贴合电力调度数据网实际的网络链路重要性计算。下面将进行节点重要性的评估计算。将以上提到的算法依照相同的业务分布计算出各自的重要节点排名。将不同算法得到的节点排名表示在表3中。然后在原始网络中，删除与排名靠前的 7 个节点相关的链路，然后计算每次删除节点后的网络效率损失。实验结果如图4所示。从表3中可以看到，三个算法都正确识别出了网络中的中调节点即1号节点为最重要的节点。这说明三种算法都有一定的合理性。2号节点相比11号节点位于更枢纽的位置，重要性理应更高。本文算法与WWYR2019都认为2号节点重要性高于11号节点，而FZTW2020正相反。而在比较3号节点和8号节点时，WWYR2019又认为3号节点更重要，这是由于其采用的节点收缩法在评估节点重要性时会受到相邻节点的影响，从而高估节点的重要性，而低估了类似8号节点这类枢纽节点的作用。本文算法与FZTW2020就认为，8号节点的重要性高于3号节点。结合图4的网络效率损失对比实验可以看出，尽管三种算法都能识别出在网络拓扑和业务上重要性排名靠前的节点，但在区分节点对网络通信作用的重要性时，本文算法能够明显地领先其他算法。根据本文算法得到的排名进行节点删除时，造成的网络效率损失始终是最大的。从中可以看出，本文算法相较于两个对比算法具有一定的优越性，能够较好地识别网络中的重要节点。3.3随机网络本节利用随机生成的网络拓扑和业务数据进行仿真实验。文献22表明，某些电力网络是典型的无标度网络，因此，利用具有无标度网络特性的BA网络进行随机网络的仿真实验。随机的一个BA网络，该网络包含100个节点，在生成过程中每次添加3条边。由于在真实的电力调度数据网中，电力系统中的电力业务在生成方式和路由方式的选择上十分复杂，为了方便，通过随机生成的方式，模拟实际网络中动态的电力调度业务。在生成的BA随机网络中，随机生成100个业务矩阵，每个业务矩阵包含100项业务，每条业务表示一个节点对(i,j)之间某类型的一份业务。将每个业务矩阵在网络中通过最短路径路由的方式进行路由，得到100个与业务矩阵相应网络业务重要性分配矩阵。分别对100个矩阵进行仿真实验，用不同的算法计算网络中节点在不同业务矩阵下重要性排名。然后，删除排名在前30的节点并逐个计算网络效率损失，并对100个矩阵的结果取算术平均值，得到最后的实验结果如图5所示。根据图5可以看出，在随机产生的网络中，按照三种排名得到的结果去删除节点，都会造成网络效率的快速下降。在删除了网络中15%的节点后，整个网络的平均网络效率就下降到60%左右。在此后，增加删除节点对网络效率降低的速度放缓，但在删除30个节点后，整个网络的平均网络效率也损失了9成以上。这说明，仅需少量节点对故障，就能造成整个网络通信效率的严重降低，从而造成网络拥塞，甚至崩溃等严重问题。在评节点排名1234567891011121314本文算法1241058111396731214FZTW20201101124598136731412WWYR20191210411538913671412表3节点重要性排名Table 3Ranking of node importance1234567删除节点数1.00.90.80.70.60.50.40.30.20.10网络效率损失FZTW2020WWYR2019本文算法图4小型网络移除节点后的网络效率损失Fig.4Network efficiency loss after removing nodesin small network3342023，59（16）估网络中重要节点的效果方面可以看到，删除三种算法排名靠前的节点后，造成的网络效率损失结果是相近的，不同算法间的差距并不明显。但随着删除节点的增多，本文算法得到的结果仍然能够优于其他算法。这体现了本文算法对其他两种算法的优越性。3.4某地区电力调度数据网络为了更准确地评估本文算法的效果，本节选取了某地区的电力调度数据网络进行了仿真实验。将某市一片区域内所有的变电站以及调度中心构成一个电力调度数据网模型，网络的拓扑如图6所示，其中一共包含268个节点及270条边。与在随机网络中的实验类似，在该网络中随机生成100个业务矩阵，每个业务矩阵包含100项业务，用来模拟实际情况下随机产生的业务需求。将业务通过最短路径路由，得到网络中各边和节点的业务分配。最后，删除算法得到排名前20的重要节点，得到的网络效率损失结果如图7所示。对比随机网络中结果可以看出，真实网络中的电力调度数据网络结构更加复杂，并且某些重要节点对网络通信能力的效果更加显著。尤其是在删除前5个节点时，造成的网络节点损失速率明显高于之后删除的节点。只需删除2%左右的节点，就能造成5成以上的网络效率损失。而在删除 10 个节点以后，已经造成了80%左右的网络效率损失，而此时删除的节点数量，仅占全部节点的5%左右。这说明，在真实的电力调度数据网络，保护某些特别的重要节点，对提高整个网络的稳定性具有重要意义。而在算法效果方面，相较于随机网络，本文算法有了更明显的优势。在删除5个节点以后，按本文算法得到的网络效率损失速率比其他算法大得多。这说明，本文算法在面对更复杂的网络结构时，具有比其他算法更好的效果。这是由于本文算法在分析网络拓扑时，没有仅从单一方面考虑，而是从多角度出发，综合地评估网络中的重要节点，从而使得结果更加全面且准确。总之，根据以上的实验结果可以证明，相较于其他算法，本文算法能得到更准确的重要节点排名。4结束语本文研究了在电力调度数据网络中的重要节点识别问题，并提出了一个计算电力调度数据网络中节点重要性的算法。本文算法从边的拓扑属性、业务属性等出发，多角度地评价了网络中不同边的链路重要性，进而依托边权，客观地计算了网络中的节点重要性。最后，通过仿真实验，验证了算法的有效性。通过与其他算法进行比较，体现出本文算法具有一定的优越性。考虑到现有电力系统崩溃大多由设备故障引起的级联问题引发，未来会关注于保护重要节点在缓解级联问题中发挥的作用。参考文献：1 高昆仑，辛耀中，李钊，等.智能电网调度控制系统安全防护技术及发展J.电力系统自动化，2015，39（1）：48-52.GAO K L，XIN Y Z，LI Z，et al.Development and processof cybersecurity protection architecture for smart griddispatching and control systemsJ.Automation of ElectricPower Systems，2015，39（1）：48-52.2 DING Y，LI C，JIN Y，et al.Reliability assessment of powersystem based on topology logic relationC/2015 5th Inter-151015202530删除节点数1.00.90.80.70.60.50.40.30.20.10网络效率损失FZTW2020WWYR2019本文算法图5BA网络移除节点后的网络效率损失Fig.5Network efficiency loss after removing nodesin BA network图6某市电力调度数据网络拓扑Fig.6Topology of a municipal power dispatching data network151015202530删除节点数1.00.90.80.70.60.50.40.30.20.10网络效率损失FZTW2020WWYR2019本文算法图7某市电力调度数据网移除节点后的网络效率损失Fig.7Network efficiency loss after removing nodes ina municipal power dispatching data network徐志光，等：面向电力调度数据网的节点重要性评估方法335Computer Engineering and Applications计算机工程与应用2023，59（16）national Conference on Electric Utility Deregulation andRestructuring and Power Technologies，2015：727-731.3 许洪强，姚建国，於益军，等.支撑一体化大电网的调度控制系统架构及关键技术J.电力系统自动化，2018，42（6）：1-8.XU H Q，YAO J G，YU Y J，et al.Architecture and keytechnologies of dispatch and control system supportingintegrated bulk power gridsJ.Automation of Electric PowerSystems，2018，42（6）：1-8.4 冯景瑜，时翌飞，王腾.智能电网中抗主次合谋攻击的群智频谱感知加固方案J.信息网络安全，2022，22（3）：1-9.FENG J Y，SHI Y F，WANG T.Crowd spectrum sensingreinforcement scheme against primary-secondary collusiveattack in smart gridJ.Netinfo Security，2022，22（3）：1-9.5 WANG Z，HILL D J，CHEN G，et al.Power system cas-cading risk assessment based on complex network theoryJ.Physica A：Statistical Mechanics and Its Applications，2017，482：532-543.6 LIU F，XIAO B，LI H，et al.Complex network node cen-trality measurement based on multiple attributesC/201810th International Conference on Modelling，Identificationand Control，2018：1-5.7 YU H，CAO X，LIU Z，et al.Identifying key nodes basedon improved structural holes in complex networksJ.Physica A：Statistical Mechanics and Its Applications，2017，486：318-327.8 IBNOULOUAFI A，El H M.Density centrality：identifyinginfluential nodes based on area density formulaJ.Chaos，Solitons&Fractals，2018，114：69-80.9 KITSAK M，GALLOS L K，HAVLIN S，et al.Identifica-tion of influential spreaders in complex networksJ.NaturePhysics，2010，6（11）：888-893.10 徐岩，郅静.基于改进节点电气介数的电网关键节点辨识J.电力系统及其自动化学报，2017，29（9）：107-113.XU Y，ZHI J.Identification of key nodes in power gridbased on improved node electric betweennessJ.Proceed-ings of the CSU-EPSA，2017，29（9）：107-113.11 刘娜，沈江，于鲲鹏，等.基于改进节点收缩法的加权供应链网络节点重要度评估J.天津大学学报（自然科学与工程技术版），2018，51（10）：1056-1064.LIU N，SHEN J，YU K P，et al.Weighted supply chainnetwork node importance assessment based on improvednode contraction methodJ.Journal of Tianjin University（Science and Technology），2018，51（10）：1056-1064.12 AGRYZKOV T，OLIVER J L，TORTOSA L，et al.A newbetweenness centrality measure based on an algorithmfor ranking the nodes of a networkJ.Applied Mathe-matics and Computation，2014，244：467-478.13 段杰明，尚明生，蔡世民，等.基于自规避随机游走的节点排序算法J.物理学报，2015，64（20）：65-72.DUAN J M，SHANG M S，CAI S M，et al.A rankingmethod based on self-avoiding random walk in complexnetworksJ.Acta Physica Sinica，2015，64（20）：65-72.14 王汪兵，王先培，尤泽樟，等.电力通信网关键节点辨识方法研究J.电力系统保护与控，2018，46（1）：44-49.WANG W B，WANG X P，YOU Z Z，et al.Research onkey node identification method in electric power com-munication networkJ.Power System Protection and Con-trol，2018，46（1）：44-49.15 樊冰，郑陈熹，唐良瑞，等.基于多属性决策的电力通信网的节点重要度计算方法J.电力系统保护与控制，2020，48（9）：68-76.FAN B，ZHENG C X，TANG L R，et al.Node impor-tance evaluation method of electric power communica-tion network based on multi-attributes decision makingJ.Power System Protection and Control，2020，48（9）：68-76.16 DU Y，GAO C，HU Y，et al.A new method of identifyinginfluential nodes in complex networks based on TOPSISJ.Physica A：Statistical Mechanics and Its Applications，2014，399：57-69.17 刘垒，谭阳红，金家瑶，等.电力通信网的关键节点辨识J.电力系统及其自动化学报，2020，32（2）：28-34.LIU L，TAN Y H，JIN J Y，et al.Key node identifica-tion of power communication networkJ.Proceedings ofthe CSU-EPSA，2020，32（2）：28-34.18 樊冰，曾瑛，唐良瑞.基于信息熵的电力通信网脆弱性评价方法J.电子与信息学报，2014，36（9）：2138-2144.FAN B，ZENG Y，TANG L R.Vulnerability assessment ofpower communicatio